تصور کنید یک وکیل هستید که باید صدها سند را بدون یک اشتباه کوچک بررسی کند؛ در این سطح از حساسیت، یک چتباکس ساده دیگر پاسخگو نیست. اگر با مدل زبانی بزرگ (LLM) — مثل کتابخانهداری که میلیاردها صفحه را خوانده و حالا با همان لحن کتابها جواب میدهد — فقط به شکل یک جعبهمتن پیشرفته برخورد کنید، قابلیتهای واقعی این زیرساخت برای خدمات تخصصی را از دست دادهاید.
برد واقعی در اینجا یک پرامپت بهتر نیست، بلکه معماری لایهبندیشدهای است که با AI بهعنوان یک قطعه از زیرساخت برخورد میکند. طبق گزارشهای منتشر شده، این تغییر رویکرد در حوزههایی مثل حقوق، حسابداری و پزشکی که با محرمانگی شدید و اسناد حجیم سروکار دارند، حیاتی است. همانطور که در تحلیلهای قبلی ما دربارهی جایگزینی نویسندگان با AI اشاره کردیم، تمرکز اکنون از تولید متن ساده به قابلیت اطمینان عملیاتی تغییر کرده است. برای یک دفتر حقوقی، این یعنی گذار از داشتن یک «کاربر حرفهای AI» به یک سازمان تقویتشده با هوش مصنوعی.
به نقل از تحلیلی که در ۲ مه ۲۰۲۶ منتشر شد، این معماری با بهرهگیری از ابزارهای Anthropic از ۶ لایه تشکیل شده است:
- Projects: محیطهای کاری مجزا برای هر پرونده که قوانین و اسناد مرجع را ثابت نگه میدارند تا مدل دچار فراموشی نشود.
- Skills: دانش سازمانی که در فایلهای
.mdذخیره شده تا خروجیها در کل تیم استاندارد باقی بماند. - MCP (Model Context Protocol): اتصال مستقیم به گوگل درایو یا اسلک برای حذف جابهجایی دستی فایلها.
- Cowork: حالتی عاملمحور (agentic) — شبیه داشتن دستیاری که نه تنها دستور میگیرد، بلکه خودش مراحل کار را برنامهریزی و اجرا میکند — برای کارهای چندمرحلهای مثل استخراج تاریخها از ۸ سند مختلف.
- Claude Code: ابزاری برای کارکنان غیرفنی جهت راهاندازی خطوط اتوماسیون. با این حال، انتخاب ابزار باید متناسب با نیازهای عملیاتی باشد؛ برای نمونه، تجربه برند MODAY در کنار گذاشتن Claude Code نشان میدهد که عبور از فاز فنی گاهی نیازمند تغییر در ابزارهای اتوماسیون است.
- API: گام نهایی برای تبدیل یک جریان کاری پایدار به یک محصول تجاری.
بر اساس بررسی منابع متعدد، توسعهدهندگان اکنون با استفاده از فایلهای CLAUDE.md قوانین کدنویسی را در جلسات مختلف حفظ میکنند. این تکامل فنی یعنی مزیت رقابتی از «نوشتن کد» به «طراحی معماری» تغییر یافته است. تولید کد دیگر یک مسئله حلشده است؛ ارزش واقعی در نحوه ساختاردهی به جریان دانش سازمانی نهفته است. به همین دلیل، ابزارهای گرانقیمت SaaS که برای قابلیتهای ساده AI هزینه زیادی میگیرند، در حال منسوخ شدن هستند.
گام بعدی شما
- سیستم ثبت اطلاعات (System of Record) اصلی شرکت خود را بررسی کنید.
- بررسی کنید آیا یک اتصالدهنده MCP میتواند ورودیهای دستی شما را حذف کند یا خیر.
- به جای تمرین مهندسی پرامپت، روی طراحی لایههای دانش سازمانی تمرکز کنید.
اما داستان سختافزاری این تحول حتی شگفتانگیزتر است — به تحلیل ما دربارهی تراشههای Blackwell مراجعه کنید.
گفتگو